SCI论文（www.lunwensci.com）
摘 要：骑行环境的友好性是影响慢行交通和城市交通系 统可持续发展的关键因素。为了评价城市道路对骑行的友 好性，本文考虑骑行环境和骑行行为两方面因素，利用城 市共享单车数据结合路网数据构建了具有多维度指标的综 合评价模型。本研究选择三个二线城市作为案例研究，发 现城市中心的可骑行性大于城市周边地区;对骑行性影响最 大的维度是舒适性， 影响最大的因素是是否有自行车道、道 路长度和交叉口密度;在建道路网络连接良好， 自行车道和 红绿灯较少的道路上，可骑行性更高。本文的贡献可以支持 二线城市交通环境的改善和提高城市系统的效率。
一、引言
共享单车在物联网技术的帮助下迅速发展，有效 地促进了公共交通出行，降低了汽车出行比例，减少 交通拥堵和交通污染[1] 。然而，随着共享单车的快速 发展，越来越多的城市道路问题也暴露了出来。尽管 单车运营公司和城市治理部门在不断进行改进，但街 道上的骑行环境仍然没有为共享单车出行提供足够的 空间和吸引力。因此，迫切需要评估城市道路环境的 可骑行性，识别影响骑行的关键因素，并在最需要的 地方提供舒适的骑行环境，以满足城市居民的骑行需 求。许多研究表明自行车旅行与建筑环境属性(如自 行车基础设施、就业密度、土地使用组合和道路基础 设施)之间存在正相关[2-4] 。虽然，已有一些研究从建 筑环境的角度探讨不同道路因素对自行车共享使用的 影响[5] ，但关于城市道路系统可骑行性评估的研究还比 较少。
此外，大多数关于城市可骑行性评估的现有研究 都是基于问卷调查或现场调查的数据[6] 。虽然这些研究 提供了有价值的见解，但这些数据具有局限性。一些 研究也进行了基于海量出行数据的尝试，但这些研究 很少考虑到骑行行为对骑行环境的反馈。因此，如何 利用开放的大数据资源构建客观、全面的城市道路可 骑行性评估体系，使其适用于任何城市还有待解决。
基于这一情况，本文考虑骑行环境和骑行行为两个方 面的因素建立了城市道路可骑性评价模型。这有助于 城市管理者了解共享单车在使用过程中存在的问题， 使其根据城市道路网的特点，对共享单车进行准确的 规划和管理，为政府改善道路共享单车骑行环境提供 参考。
二、研究城市的选择及数据来源
成都、西安、宁波分别代表我国西南地区、中西 部典型城市、东部发达地区次要代表城市。西安目前 已建成8条地铁线路;成都建成区面积1421.6平方公 里，已建成12条地铁线路;宁波是中国东南沿海港口 城市，建成区面积344.02平方公里，目前已建成4条地 铁线路。
本研究利用了哈啰单车的共享单车系统交易数 据，使用了2022年9月14日至2022年9月20日一周的早 高峰时段的数据。根据订单的起点和终点信息，使用 高德API获取轨迹点数据。三个城市共获得244163条记 录数据，其中西安为124968条，成都为39867条，宁波 为79328条。为了表征不同城市的路网属性，我们依靠 OSM(Open Street Map)从2022年的基本路网矢量数据 中提取出来。经过道路数据过滤后得到60211条道路， 其中西安11974条道路，成都34494条道路，宁波13743 条道路。
三、研究方法
在现有研究的基础上，本文构建了舒适性、安全 性、连通性和交通管控阻力四个维度的骑行环境评价 体系。舒适度指标包括自行车道的可用性(X1 )和道 路长度(X2 )。本文采用转弯频率(X3 )和骑行速度 (X4 )来反映道路骑行的安全性。用路网密度(X5 ) 和交叉口密度(X6 )表示连通性。红绿灯等待时长 (X7 )表示交通管制阻力的大小。
本文采用熵权法测算了每个路段的可骑行性指 数。熵权法是结合熵值提供的信息值来确定权值的研 究方法。选择这种方法是因为它克服了人为和任意影 响权重的主观性，避免了多个变量之间的信息重叠[7]。
首先，构造包含m个路段和n个指标的数据矩阵其 中Xij表示第i个路段的第j个指标值;其次，利用熵权法计 算出每个指标的权重;最后，计算第i条道路的骑行性评 价指标、骑行舒适性评价指标、骑行安全性评价指标、 骑行路路连通性评价指标、骑行交控阻力评价指标。
四、研究结果
(一)可骑行性指数表现
权重大小表示各影响因素对于可骑行性影响的大 小程度。例如，在表1中，对于每个城市，舒适度是最 重要的影响因素，其次是连通性。影响最大的三个因素 分别是自行车道的可用性、道路长度和交叉口密度。
根据各城市可骑性指数的四个维度可知各城市 道路可骑性四个维度的指数得分最高为DI，均值为 83.14.其次为SI(49.43)和COI(44.66)，最低的是 CI(2.63)，各城市的骑行舒适度都有待改善。三个 城市中，宁波的骑行SI(58.53)和COI(50.38) 明显 高于其他城市，表明宁波的城市道路建设对骑行更友 好，有利于安全连续骑行，而西安和成都的骑行SI和 COI需要改善。
(二)可骑行性指数的空间分布
从空间分布上看，如图1所示，可骑行性指数 (RI)在三个城市之间有所不同，但总的来说，RI较 高的道路主要分布在城市的中心部分。不同的道路网 络模式具有不同的可骑行性分布特征;西安拥有典型 的纵横路网，分布较为均衡，而成都的路网则从中心 部分向城外部分递减; 宁波道路RI分数的总体趋势也 是中高外低。可骑行性指数的不均匀空间分布可能是 自行车基础设施投资和分布不均匀的表现。实证研究 表明，自行车基础设施与自行车共享使用频率的增加 有关[2.8] 。这三个城市外围的单车可骑行性相较于市中 心较低，表明加强城市外围的单车基础设施建设，是 让整个城市的单车可骑行性同步提升的关键点。
从四个维度在每个城市的分布可知，在舒适性方 面，舒适性较高的道路在西安、宁波分布较广，骑行 CI较低的道路在成都分布较多。在安全性方面，西安 市SI较高的道路广泛分布在城市南部，这是由于西安 这部分地区发展较快，路网发达，自行车交通设施较 为齐全。在成都，中高SI等级的道路较多，高SI等级 的道路多位于路网稀疏的地区。宁波公路SI分布，分 布特征与成都相似。在连通性方面，三个城市差异 很大，其中西安的道路分布较为均衡，成都的道路连通性由中心向外递减，城市中心的道路连通性最高。 宁波的路网有分块分布的趋势，这可能与城市不同城 区的路网发展程度不同有关，但总体趋势也是中高外 低。这表明不同的城市道路网络特征和城市自行车政 策对自行车骑行具有的影响作用。在交通延误方面， 三个城市的延迟时间较低，总体趋势是中心区域交通 管控延迟高于周围。这一结果表明，在规划和构建自 行车路线时，尽量避开交通信号灯过多的道路以减少 交通延误时间。
五、结论及建议
本研究通过比较三个不同城市，探讨了不同城市 之间道路可骑性的差异。结果发现：首先，对骑行性 影响最大的维度是舒适性，影响因素是自行车道的可 用性;其次，各个城市的可骑行性得分分别为西安 3.16.成都7.31和宁波15.10.路网分布均衡的道路可骑 行性较高;最后，这项研究发现，城市周边地区的自 行车骑行能力低于市区，因此城市需要改善市区以外 地区的自行车基础设施，同时保持市区的自行车骑行 能力。
道路环境复杂，影响骑行的道路环境因素众多。 由于数据采集和技术的限制，本研究仅考虑了道路环 境中的七个指标，未来应通过从更完整的角度考虑更 多的影响因素来进一步研究道路可骑性评价。城市共 享单车经营模式符合我国低碳经济发展要求，是以人 为本理念在城市交通出行方面的具体体现。通过建立 并完善相关法律制度、加强城市公共基础设施建设力 度、科学地对城市公共自行车进行分布，可进一步发 展公共自行车系统。
参考文献
[1] Zhang，Y.，Z.Mi.Environmental benefits of bike sharing：A big data-based analysis[J].Applied Energy，2018.220：296-301.
[2] El-Assi，W.，M.S.Mahmoud，K.N.Habib.Effects of builtenvironment and weather on bike sharing demand：a station level analysis of commercial bike sharing in Toronto[J]. Transportation，2017.44(3)：589-613.
[3] Stefansdottir，H. ，P.Naess，C .M.Ihlebaek.Builtenvironment， non-motorized travel and overall physical activity[J].Travel Behaviour and Society，2019.16：201-213.
[4] Chen，E. ，Z.Ye.Identifying the nonlinear relationshipbetween free-floating bike sharing usage and built environment[J].Journal of Cleaner Production，2021.280：124281.
[5] Gao，K. ，Y.Yang，A.Li，et al.Spatial heterogeneity in distance decay of using bike sharing：An empirical large- scale analysis in Shanghai[J].Transportation Research Part D-Transport and Environment，2021.94：102814.
[6] Krauss，K. ，M.Krail，K.W.Axhausen.What drives the utility of shared transport services for urban travellers? A stated preference survey in German cities[J].Travel Behaviour and Society，2022.26：206-220.
[7] Lopez-Garcia，P. ，E.Onieva，E.Osaba，et al.GACE：A meta-heuristic based in the hybridization of Genetic Algorithms and Cross Entropy methods for continuous optimization[J].Expert Systems with Applications，2016. 55：508-519.
[8] Shen，Y.，X.Zhang，J.Zhao.Understanding the usage of dockless bike sharing in Singapore[J].International Journal of Sustainable Transportation，2018.12(9)：686-700.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/guanlilunwen/58187.html
